Individuelles Mortalitätsrisikoprädiktionssystem für Patienten mit akut-auf-chronischem Leberversagen basierend auf einem Random-Survival-Forest-Modell
Einleitung
Das akut-auf-chronische Leberversagen (ACLF), charakterisiert durch eine rasche Verschlechterung der Leberfunktion bei Patienten mit chronischen Lebererkrankungen, weist eine hohe Kurzzeitsterblichkeit von 60–70 % innerhalb von drei Monaten auf. Bisherige prognostische Modelle wie der Model for End-Stage Liver Disease (MELD), der International Normalized Ratio and Creatinine Score (ABIC) und der Integrated MELD (iMELD) liefern populationsbasierte Mortalitätsprognosen, versagen jedoch bei der individuellen Risikoeinschätzung für klinische Entscheidungen. Der Random-Survival-Forest (RSF)-Algorithmus, eine nichtparametrische maschinelle Lernmethode, überwindet diese Limitationen durch die Berücksichtigung nichtlinearer Zusammenhänge, Variableninteraktionen und fehlender Daten. Diese Studie zielte darauf ab, ein webbasiertes Tool zur individuellen Mortalitätsrisikoprädiktion für ACLF-Patienten mittels RSF zu entwickeln, das dynamische Risikokurven und personalisierte Überlebensvorhersagen ermöglicht.
Studiendesign und Methoden
Patientenkohorten und Datenerfassung
Eine retrospektive Analyse umfasste 391 ACLF-Patienten aus drei chinesischen Kliniken (Shunde Hospital, Jiangmen Central Hospital, The First People’s Hospital of Foshan). Nach Ausschluss von Patienten mit unvollständigen Daten, Komorbiditäten (z. B. Leberkarzinom, Autoimmunerkrankungen) oder unzureichender Nachbeobachtung bildeten 276 Patienten die Modellkohorte. Eine Validierungskohorte (n=276) wurde mittels Bootstrap-Resampling generiert.
Diagnosekriterien und Variablen
Die ACLF-Diagnose folgte den Leitlinien der Asian Pacific Association for the Study of the Liver. Komplikationen wie hepatische Enzephalopathie (HE), akutes Nierenversagen (AKI) und hepatorenales Syndrom (HRS) wurden nach etablierten Kriterien definiert. Klinische Variablen umfassten Demografie, Laborparameter (z. B. Serumnatrium, INR, RDW) und krankheitsspezifische Scores (MELD, ABIC, iMELD).
Modellentwicklung und Validierung
- Cox-Proportional-Hazards-Modell: Identifizierung unabhängiger Prädiktoren mittels schrittweiser multivariabler Regression.
- RSF-Modell: Konstruktion unter Verwendung der Cox-Analysevariablen (HE, Alter, Serumnatrium, AKI, RDW, INR). Ensemble-Überlebensbäume schätzten Überlebenswahrscheinlichkeiten; Variable Importance wurde durch Permutation bestimmt.
- Leistungsmetriken:
- Zeitabhängige ROC-Kurven: Für 3-, 6- und 12-Monats-Mortalität.
- Brier-Scores: Bewertung der Kalibrierungsgenauigkeit (niedrigere Werte = bessere Performance).
- Decision-Curve-Analyse: Vergleich der klinischen Nützlichkeit zwischen Modellen.
Webbasiertes Prädiktions-Tool
Ein Online-Tool (verfügbar unter https://zhangzhiqiao13.shinyapps.io/Individual_mortality_risk_predictive_tool_for_liver_failure/) generiert individuelle Mortalitätskurven, Überlebensprozentwerte und 95 %-Konfidenzintervalle für benutzerdefinierte Zeitpunkte.
Hauptergebnisse
Variablenbedeutung und Risikofaktoren
RSF identifizierte AKI, HRS, HE, Alter, RDW und INR als Top-Prädiktoren (Abbildung 1). Die multivariate Cox-Regression bestätigte diese als unabhängige Mortalitätsrisikofaktoren (Tabelle 2):
- HE: HR=2,408 (95 %-KI:1,624–3,571; P<0,001).
- Alter: HR=1,035 pro Jahr (95 %-KI:1,021–1,050; P<0,001).
- AKI: HR=3,289 (95 %-KI:2,170–4,985; P<0,001).
- INR: HR=1,897 (95 %-KI:1,530–2,350; P<0,001).
- Serumnatrium: Protektiver Effekt (HR=0,978 pro mmol/L; 95 %-KI:0,959–0,998; P=0,027).
- RDW: Protektiver Effekt (HR=0,974 pro fL; 95 %-KI:0,963–0,986; P<0,001).
Modellperformance
-
RSF vs. Cox-Modell:
- AUROC (Modellkohorte): RSF übertraf Cox bei 3- (0,916 vs. 0,872), 6- (0,916 vs. 0,866) und 12-Monats-Prognosen (0,905 vs. 0,848).
- AUROC (Validierungskohorte): RSF blieb überlegen (0,912; 0,910; 0,880).
- Brier-Scores: RSF zeigte bessere Kalibrierung (3 Monate: 0,119 vs. 0,138; 12 Monate: 0,128 vs. 0,156).
-
Vergleich mit traditionellen Scores:
RSF übertraf MELD, ABIC und iMELD in allen Metriken (z. B. 3-Monats-AUROC MELD: 0,683 vs. RSF: 0,916).
Überlebensstratifikation
Die RSF-basierte Stratifizierung in Hoch- und Niedrigrisikogruppen zeigte signifikante Überlebensunterschiede (P<0,001): Die Hochrisikogruppe (RSF-Score >0,5) hatte eine mediane Überlebenszeit von 2,3 vs. 34,6 Monaten.
Tool-Outputs
Das Tool zeigt zwei Überlebenskurven (RSF und Cox) sowie numerische Prädiktionen (z. B. 12-Monats-Überleben: 58 % [95 %-KI:52–64 %] für einen 45-jährigen Patienten mit HE, AKI, Serumnatrium=135 mmol/L, INR=2,0, RDW=45 fL).
Diskussion
Vorteile des RSF-Modells
- Individualisierte Prognose: Dynamische Überlebenskurven ermöglichen maßgeschneiderte klinische Entscheidungen.
- Komplexe Interaktionen: RSF erfasst nichtlineare Beziehungen (z. B. Alter und Serumnatrium) und Interdependenzen (z. B. AKI und HE).
- Robuste Validierung: Bootstrap-Resampling sicherte Modellstabilität.
Klinische Implikationen
- Frühintervention: Hochrisikopatienten könnten von priorisierter Transplantation profitieren.
- Ressourcenallokation: Individuelles Risikomanagement optimiert die Bettenbelegung.
Limitationen
- Retrospektives Design: Möglicher Selektionsbias.
- Fehlende externe Validierung: Testung in diversen Populationen erforderlich.
- Fehlende Variablen: Schilddrüsenfunktion und Lebervolumetrie wurden nicht berücksichtigt.
Zukünftige Forschung
- Prospektive multizentrische Studien: Globale Validierung.
- Integration von Omics-Daten: Prädiktionsverbesserung durch genomische Biomarker.
Zusammenfassung
Diese Studie entwickelte ein RSF-basiertes Online-Tool zur individuellen Mortalitätsrisikoprädiktion für ACLF-Patienten. Durch überlegene Performance gegenüber traditionellen Modellen bietet es einen Paradigmenwechsel von der populations- zur personalisierten Risikobewertung und verbessert die klinische Entscheidungsfindung.
doi.org/10.1097/CM9.0000000000001539